Argument-Aware Approach To Event Linking

事件链接将文本中的事件提及与知识库（KB）中的相关节点连接起来。事件链接的先前研究主要借鉴了实体链接的方法，忽略了事件的独特特征。与广泛探索的实体链接任务相比，事件具有更复杂的结构，并且可以通过检查其相关参数来更有效地区分。此外，事件的信息丰富性导致事件KB的稀缺性。这强调了事件链接模型需要识别和分类不在KB中的事件提及，称为“out-of-KB”，这是一个受到限制的领域。在这项工作中，我们通过引入一个参数感知方法来解决这些挑战。首先，我们通过标记事件参数信息来改进事件链接模型，从而方便识别事件提及的关键信息。随后，为了帮助模型处理“out-of-KB”的场景，我们通过控制事件参数的操作从“in-KB”实例中合成“out-of-KB”训练示例。我们在两个测试数据集上的实验表明，在“in-KB”和“out-of-KB”场景中都有显着的增强，其中在“out-of-KB”评估中有明显的22％的改进。

本论文旨在解决事件链接中的问题，包括事件结构复杂、信息丰富、事件知识库稀缺以及如何处理“out-of-KB”情况等。

论文提出了一种基于事件论元的方法，通过增加标记的事件论元信息来改进事件链接模型，并通过控制事件论元的操作来合成“out-of-KB”训练样本，从而在in-KB和out-of-KB情况下都获得了显著的提升。

论文的实验结果表明，该方法在处理事件链接中的问题方面具有很好的效果，不仅能够识别事件提及中的关键信息，还能够处理“out-of-KB”情况。该论文使用了两个测试数据集，并取得了显著的成果。此外，该论文的方法还有很大的推广价值，值得进一步研究。

在事件链接领域的相关研究包括实体链接等方法，但这些方法忽略了事件的特殊性质。